Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
AI-brugen accelererer, og med den følger en fristelse at aflæse store konklusioner ud af små tal. Jo mere udbredt teknologien bliver, jo mere vægt lægger vi på de enkle mål, der er lette at opgøre og jo mindre spørger vi, hvad de egentlig fortæller os.
Et aktuelt eksempel. Danmarks Statistik har leveret gode nyheder: på ét år er andelen af danskere, der bruger AI ugentligt, steget fra 17 til 37 procent, og forskellen mellem mænds og kvinders brug er blevet markant mindre. De seneste uger har jeg nu flere steder hørt den samme konklusion at kønsgabet er næsten lukket.
Jeg er ikke sikker på, at den konklusion følger af tallene. Ikke fordi Danmarks Statistik tager fejl for tallene viser præcis det, de er designet til at vise. Men de måler kun ugentlig brug. Det fortæller os, hvor udbredt AI er blevet. Det fortæller os ikke, hvordan AI bliver en del af arbejdet.
Og her skilles det, vi nemt kan måle, fra det, der faktisk former en organisation. I vores seneste analyse med Ipsos og Aetheon ser vi fortsat betydelige forskelle i, hvordan medarbejdere oplever AI på arbejdet.
Halvdelen har aldrig modtaget AI-oplæring. Halvdelen kender ikke forventningerne til, hvordan AI skal bruges i deres arbejde. Og 55 procent har aldrig været involveret i de beslutninger, der former virksomhedens AI-indsats.
Vi ser også, at lederens opbakning er den stærkeste enkeltfaktor for, om mennesker faktisk anvender AI i deres arbejde. Ikke køn. Ikke alder. Ikke branche. Ledelse.
Den faktor, der afgør, om en organisation reelt bygger evne med AI, er altså ikke den, nogen adoptionsstatistik opgør. Brug tæller sig selv op. Det gør oplæring, involvering og indflydelse ikke. Vi ender med at måle det, der er let at måle, og forveksle det med det, der er svært at opnå.
De to tal modsiger ikke hinanden. De beskriver forskellige dele af den samme udvikling. Det ene, at AI er blevet en naturlig del af mange menneskers hverdag og det andet, at det ikke nødvendigvis er blevet en naturlig del af organisationens måde at arbejde på.
Måske er det derfor, jeg tøver, når vi så hurtigt konkluderer, at kønsgabet er lukket. For spørgsmålet er ikke kun, hvor mange der bruger AI. Det er også, hvem der udvikler nye arbejdsgange med den, hvem der bliver inviteret ind i projekterne, hvem der får lov at eksperimentere, og hvem der former de beslutninger, der afgør, hvordan AI bliver anvendt.
Det er på de spørgsmål, vi fortsat ser forskelle og de er de samme spørgsmål, der afgør, om en organisation overhovedet bliver dygtigere til AI.
Køn er her blot det tydeligste sted, forskellen viser sig. Den samme blinde vinkel gælder bredere. En organisation kan have høj brug og lav evne på samme tid, og de tal, den rapporterer opad, vil ikke afsløre det.
Måske er den vigtigste erkendelse derfor ikke, om kønsgabet er lukket. Måske er den, at de forhold, der afgør, om en organisation bliver dygtigere til AI, i stigende grad er dem, der ikke kan aflæses på et dashboard. De seneste år har vi været optaget af adgang, ‘Har medarbejderne værktøjerne og bruger de dem?’ Det spørgsmål er ved at være besvaret.
Det næste er vanskeligere, netop fordi det ikke lader sig aflæse på et dashboard. Hvis brug ikke længere er det, der adskiller organisationer fra hinanden, hvad er så? Og hvordan leder man efter noget, man ikke kan tælle?
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie, eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.
